論文の概要: Controllable Stochastic Quantization Encoding for Adversarially Robust Spiking Neural Networks
- arxiv url: http://arxiv.org/abs/2610.01558v1
- Date: Thu, 01 Oct 2026 12:24:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-03 01:19:24.110117
- Title: Controllable Stochastic Quantization Encoding for Adversarially Robust Spiking Neural Networks
- Title（参考訳）: 逆ロバストスパイクニューラルネットワークの制御可能な確率量子化符号化
- Abstract要約: スパイキングニューラルネットワーク(SNN)は、時間的ダイナミクス、エネルギー効率、脳にインスパイアされたメカニズムによって注目を集めている。
近年の研究では、SNNは、入力画像に知覚不能な摂動を付加し、誤ったモデル予測を行う敵の攻撃に対して脆弱であることが示されている。
量子化スケールによって調整された制御可能なランダム性を持つ入力画像を符号化する量子化符号化法を提案する。
- 参考スコア（独自算出の注目度）: 31.426910725812316
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Spiking Neural Networks (SNNs) have attracted increasing attention due to their impressive temporal dynamics, energy efficiency, and brain-inspired mechanisms. Although SNNs have demonstrated promising performance in image classification tasks, recent studies have shown that they remain vulnerable to adversarial attacks, where imperceptible perturbations are added to input images to mislead model predictions. Existing defense methods mainly focus on training strategies, while the role of input encoding remains less explored. An observation is that the robustness advantage of Poisson encoding over direct encoding may benefit from its inherent randomness. Motivated by this, we propose a stochastic quantization encoding method that encodes the input image with controllable randomness adjusted by the quantization scale, thereby improving the adversarial robustness of SNNs. We further show that this method constitutes a general framework that reduces to both Poisson encoding and direct encoding under different choices of the quantization scale. Since it enhances robustness at the input encoding stage, it can be combined with existing training-based defenses for further gains. Experimental results on CIFAR-10 and CIFAR-100 demonstrate the effectiveness of the proposed stochastic quantization encoding method. To sum up, this work highlights the importance of input encoding for the adversarial robustness of SNNs, providing a new perspective for understanding and improving it.
- Abstract（参考訳）: スパイキングニューラルネットワーク(SNN)は、時間的ダイナミクス、エネルギー効率、脳にインスパイアされたメカニズムによって注目を集めている。
SNNは画像分類タスクにおいて有望な性能を示したが、最近の研究では、入力画像に知覚不能な摂動を付加し、誤ったモデル予測を導出する敵攻撃に対して脆弱であることが示されている。
既存の防衛手法は主に訓練戦略に重点を置いているが、入力エンコーディングの役割はいまだ検討されていない。
直接符号化によるポアソン符号化の強靭性は、その固有のランダム性から恩恵を受ける可能性がある。
そこで本研究では,SNNの対向的ロバスト性を改善するために,量子化スケールによって調整された制御可能なランダム性で入力画像を符号化する確率的量子化符号化法を提案する。
さらに、この手法は、量子化スケールの異なる選択の下で、ポアソン符号化と直接符号化の両方に還元される一般的なフレームワークを構成することを示す。
入力エンコーディング段階で堅牢性を高めるため、既存のトレーニングベースディフェンスと組み合わせることで、さらなる利益を得ることができる。
CIFAR-10とCIFAR-100の実験結果から,提案手法の有効性が示された。
要約すると、この研究はSNNの対角的堅牢性に対する入力エンコーディングの重要性を強調し、その理解と改善のための新たな視点を提供する。
関連論文リスト
- General Self-Prediction Enhancement for Spiking Neurons [71.01912385372577]
スパイキングニューラルネットワーク(SNN)は、イベント駆動のスパース計算によって非常にエネルギー効率が良いが、そのトレーニングは、性能、効率、生物学的妥当性の非微分可能性とトレードオフによって困難である。
本稿では,その入力出力履歴から内部予測電流を生成し,膜電位を変調する自己予測強化スパイキングニューロン法を提案する。
この設計には2つの利点があり、失明した勾配を緩和し、トレーニングの安定性と精度を高める連続的な勾配経路を作成し、また遠位樹状突起変調とエラー駆動のシナプス塑性に類似した生物学的原理と整合する。
論文 参考訳（メタデータ） (2026-01-29T15:08:48Z) - Efficient Preimage Approximation for Neural Network Certification [11.808711116876651]
より厳密な境界、適応的なモンテカルロサンプリング、改良された分岐を含むPreMAPに対する新しい拡張を提案する。
これらの効率の改善はオリジナルのPreMAPを大きく上回り、難易度の高いネットワークへのスケーリングを可能にした。
本稿では,コンピュータビジョンから制御まで幅広いユースケースにおいて,信頼性と堅牢性を解析・証明するための事前近似手法の可能性を示す。
論文 参考訳（メタデータ） (2025-05-28T19:13:56Z) - Deep-Unrolling Multidimensional Harmonic Retrieval Algorithms on Neuromorphic Hardware [78.17783007774295]
本稿では,高精度かつエネルギー効率の高い単発多次元高調波検索のための変換に基づくニューロモルフィックアルゴリズムの可能性について検討する。
複雑な値の畳み込み層と活性化をスパイクニューラルネットワーク(SNN)に変換する新しい手法を開発した。
変換されたSNNは、元のCNNに比べて性能が低下し、ほぼ5倍の電力効率を実現している。
論文 参考訳（メタデータ） (2024-12-05T09:41:33Z) - Evaluating Single Event Upsets in Deep Neural Networks for Semantic Segmentation: an embedded system perspective [1.474723404975345]
本稿では,組み込みディープニューラルネットワーク(DNN)のロバスト性評価について述べる。
本研究は,様々なエンコーダデコーダモデルの層間およびビット間感度をソフトエラーに精査することにより,セグメント化DNNのSEUに対する脆弱性を徹底的に調査する。
本稿では,資源制約によるデプロイメントに適したメモリや計算コストを伴わない,実用的な軽量なエラー軽減手法を提案する。
論文 参考訳（メタデータ） (2024-12-04T18:28:38Z) - A Hybrid Neural Coding Approach for Pattern Recognition with Spiking
Neural Networks [53.31941519245432]
脳にインスパイアされたスパイクニューラルネットワーク(SNN)は、パターン認識タスクを解く上で有望な能力を示している。
これらのSNNは、情報表現に一様神経コーディングを利用する同質ニューロンに基づいている。
本研究では、SNNアーキテクチャは異種符号化方式を組み込むよう、均質に設計されるべきである、と論じる。
論文 参考訳（メタデータ） (2023-05-26T02:52:12Z) - Quantization-aware Interval Bound Propagation for Training Certifiably
Robust Quantized Neural Networks [58.195261590442406]
我々は、逆向きに頑健な量子化ニューラルネットワーク(QNN)の訓練と証明の課題について検討する。
近年の研究では、浮動小数点ニューラルネットワークが量子化後の敵攻撃に対して脆弱であることが示されている。
本稿では、堅牢なQNNをトレーニングするための新しい方法であるQA-IBP(quantization-aware interval bound propagation)を提案する。
論文 参考訳（メタデータ） (2022-11-29T13:32:38Z) - Efficient spike encoding algorithms for neuromorphic speech recognition [5.182266520875928]
スパイキングニューラルネットワーク(SNN)は、ニューロモルフィックプロセッサの実装に非常に効果的である。
実値信号は、SNNに適さない実値信号として符号化される。
本稿では,話者独立桁分類システムにおける4つのスパイク符号化手法について検討する。
論文 参考訳（メタデータ） (2022-07-14T17:22:07Z) - Bayesian Attention Belief Networks [59.183311769616466]
注意に基づくニューラルネットワークは、幅広いタスクにおいて最先端の結果を得た。
本稿では,非正規化注意重みをモデル化してデコーダネットワークを構築するベイズ的注意信念ネットワークについて紹介する。
提案手法は, 精度, 不確実性推定, ドメイン間の一般化, 敵攻撃において, 決定論的注意と最先端の注意よりも優れていることを示す。
論文 参考訳（メタデータ） (2021-06-09T17:46:22Z) - A Hamiltonian Monte Carlo Method for Probabilistic Adversarial Attack
and Learning [122.49765136434353]
本稿では,HMCAM (Acumulated Momentum) を用いたハミルトニアンモンテカルロ法を提案する。
また, 対数的対数的対数的学習(Contrastive Adversarial Training, CAT)と呼ばれる新たな生成法を提案し, 対数的例の平衡分布にアプローチする。
いくつかの自然画像データセットと実用システムに関する定量的および定性的な解析により、提案アルゴリズムの優位性が確認された。
論文 参考訳（メタデータ） (2020-10-15T16:07:26Z) - Self-Supervised Dynamic Networks for Covariate Shift Robustness [9.542023122304098]
Self-Supervised Dynamic Networks (SSDN) は、自己教師ネットワークがメインネットワークの重みを予測できる入力依存のメカニズムである。
本稿では,画像分類問題における提案手法の概念的および実証的利点について述べる。
論文 参考訳（メタデータ） (2020-06-06T19:37:20Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。